6.1 Kesimpulan
Berdasarkan hasil analisis di atas dapat disimpulkan bahwa :
1. Langkah-langkah dalam pemodelan menggunakan metode Multivariate Adaptive Regression Spline (MARS) antara lain:
a. Melakukan analisis deskriptif pada masing-masing variabel prediktor sebagai langkah awal mengetahui pola hubungan antar variabel.
b. Membuat scatterplot antara variabel respon dengan masing-masing variabel prediktor.
c. Melakukan uji asumsi klasik pada variabel-variabel tersebut untuk memastikan dapat dilakukan analisis regresi nonparametrik. Apabila menyalahi atau melanggar aturan uji asumsi klasik maka dilanjutkan pada langkah selanjutnya.
d. Menentukan model MARS terbaik dengan berdasarkan nilai Generalized Cross Validation (GCV) terkecil dari software R.
e. Melakukan interpretasi model MARS terbaik dan interpretasi variabel–
variabel yang berpengaruh di model.
f. Menentukan tingkat kepentingan masing – masing variabel prediktor yang berpengaruh.
111
g. Menguji signifikansi model MARS untuk mengevaluasi kecocokan model dengan uji koefisien regresi secara simultan (Uji F) maupun secara parsial (Uji T).
2. Hasil pemilihan model terbaik pada jumlah kasus diare pada balita di Provinsi Jawa Tengah-Jawa Barat tahun 2019 dengan menggunakan metode Multivariate Adaptive Regression Spline (MARS) dengan nilai GCV terkecil adalah
1 2
3 4
ˆ 0, 6236969 1, 011132* 1,308728*
0, 2991534* 0,5829459*
Variabel-variabel prediktor yang tingkat pentingnya terhadap model terbaik yang diperoleh secara signifikan mempengaruhi kasus diare adalah pemberian ASI eksklusif (X3) dengan tingkat kepentingan sebesar 100%, air minum sehat (X2) dengan tingkat kepentingan sebesar 44,1%, dan tempat pengelolaan makanan (X1) dengan tingkat kepentingan sebesar 30,2%.
6.2 Saran
Berdasarkan hasil penelitan dan kesimpulan di atas, peneliti memberikan saran sebagai berikut:
112
1. Variabel-variabel prediktor yang ada di penelitian ini dapat ditambahakan oleh peneliti lanjutan dengan variabel-variabel prediktor lainnya yang dapat mempengaruhi jumlah kasus diare pada balita.
2. Dalam menentukan model terbaik peneliti lanjutan bisa dengan menggunakan metode selain nilai GCV terkecil seperti MSE atau R2.
DAFTAR PUSTAKA
Anton, H. (1991). Aljabar Linear Elementer Edisi Kelima. Jakarta: Penerbit Erlangga.
Arifin, M. Z., & Mitakda, M. B. (2015). Metode Pendekatan Multivariate Adaptive Regression Spline (MARS) Bagging Dalam Memodelkan Presentase Gizi Buruk Balita di Jawa Timu. Jurnal Mahasiswa Statistik Vol 3.
Asriani, E. D. (2016). Estimasi Multivarite Adaptive Regression Spline (MARS) Pada Indeks Harga Saham (IHSG). Semarang: Universitas Negeri Semarang.
Awat, N. J. (1995). Metode Statistika dan Ekonometri. Liberty, Yogyakarta.
Baskoro, A. A. (2019). Model Regresi Nonparametrik Spline Kuadratik dalam Skripsi Fakultas Sains dan Teknologi UIN Sunan Kalijaga.
Basri, H. (2008). Estimasi Kurva Regresi Nonparametrik dengan Pedekatan Spline.
Jurnal Kependidikan Vol 3.
Breiman, L., Friedman, J., Olshen, R., & Stone, J. (1993). Classification and Regression Trees. New York: Chapman and Hall.
Budiantara, S. F. (2012). Analisis Survival dengan Pendekatan Multivariate Adaptive Regression Spline pada Kasus Deman Berdarah Dengue (DBD).
Jurnal Sains dan Seni, 1(1), 318-232.
Damodar, G. d. (1995). Basic Econometrics. Third Edition. Singapura: McGraw-Hill.
Draper, N. d. (1992). Analisis Reregresi Terapan, Terjemahan Bambang Sumantri.
Jakarta: Gramedia.
Eubank, R. (1988). Spline Smoothing and Nonparametric Regression. New York:
Marcel Deker.
Eubank, R. (1999). Nonparametric Regression and Spline Smoothing. Second Edition, Marcel Dekker, New York.
Friedman, J. (1991). Multivariate Adaptive Regression Spline (With Discussion) . The Annals of Statistic, Vol. 19, hal 1-141.
Ghofar, R. Y., Safitri, D., & Rusdiyono, A. (2014). Klasifikasi Kelulusan Mahasiswa Fakultas Sains dan Matematika Universitas Diponegoro Menggunakan Multivariate Adaptive Regression Spline (MARS). Jurnal Gaussian Vol 3.
Gujarati, D. N., & Porter, D. C. (2010). Dasar-Dasar Ekonometrika Edisi 5.
Jakarta: Salemba Empat.
Hardle, W. (1990). Aplied Nonparametric Regression. Cambridge University.
Harini, S., & Turmudi. (2008). Metode Statistika. Malang: UIN Malang Press.
Hasan, M. I. (2002). Pokok-Pokok Materi Metodologi Penelitian dan Aplikasinya.
Jakarta: Ghalia Indonesia.
http://www.diskes.jabarprov.go.id/. (2020, 12 15).
https://dinkesjatengprov.go.id/. (2020, 12 15).
Imrona, M. (2009). Aljabar Linear Dasar. Jakarta: Erlangga.
J. Neter, W. W. (1997). Analisis Regresi Linear Sederhana. Alih Bahasa Bambang Sumantri. Bogor: FMIPA IPB.
Johannes, & Budiono. (1994). Pengantar Matematika untuk Ekonomi. Jakarta:
LP3ES.
Kasse, I. (2017). Memodelkan Faktor-Faktor Yang Mempengaruhi Gizi Buruk Balita Dengan Metode Multivariate Adaptive Regression Spline (MARS).
Matematika dan Statistika serta Aplikasinya Vol 5, No 1.
Kishartini, S. I. (2014). Multivariate Adaptive Regression Spline (MARS) untuk Klasifikasi Status Kerja di Kabupaten Demak. Jurnal Gaussian, 3(4):711-718.
Kriner, M. (2007). Survival Analysis with Multivariate Adaptive Regression Spline.
German. Munchen University.
Kutner, M. H., Nachtsherm, C. J., & Neter, J. (2004). Applied Linear Regression Models. New York: Mc Graw-Hill Companies, Inc.
M. F. Qudratullah, S. U. (2012). Statistika. Yogyakarta: SUKA-Press UIN Sunan Kalijaga.
Meliala, B. (2017). Regresi Spline Multivariat Adaptive (Multivariate Adaptive Regression Spline). Jurnal Matematika.
Otok, B. W. (2008). Asimtotik Model Mutivariate Adaptive Regression Spline.
Jurnal S3 Matematika, 10(2), 112-119.
Otok, B. W. (2010). Pendekatan Multivariate Adaptive Regression Spline (MARS) pada Pengelompokan Zona Musim Suatu Wilayah. STATISTIKA: Forum Teori dan Aplikasi Statistik Vol 10.
Otok, W. P. (2012). Pemodelan Kemiskinan di Provinsi Jawa Timur dengan Pendekatan Multivariate Adaptive. Jurnal Sains dan Seni ITS Vol. 1 No. 1.
Qudratullah, M. F. (2013). Analisis Regresi Terapan Teori, Contoh Kasus dan Aplikasi dengan SPSS. Yogyakarta: Andi Offset.
Raditya, A. P. (2018). Penerapan Metode Multivariate Adaptive Regression Spline (MARS) Dengan Estimator Nadaraya-Watson Fungsi Kernel Gaussian.
Skripsi.
Rahmadhani, N. F. (2019). Multivariate Adaptive Regression Spline (MARS) dalam Meenentukan Faktor-Faktor Kecelakaan Lalu Lintas di Kota Yogyakarta dalam Skripi UIN Sunan Kalijaga Yogyakarta.
Suliyanto. (2014). STATISTIK NON PARAMETRIK dalam Aplikasi Penelitian.
Yogyakarta: Penerbit Andi.
Dinas Kesehatan Provinsi Jawa Tengah. (2020). Profil Kesehatan Provinsi Jawa Tengah Tahun 2019.
Dinas Kesehatan Provinsi Jawa Barat. (2020). Profil Kesehatan Provinsi Jawa Barat Tahun 2019.
Wahba, G. (1990). Spline Models for Observasional Data. Pensylvania. SIAM.
Walpole, R. E. (1993). Pengantar Statistika Edisi ke-3. Jakarta: PT. Gramedia Pustaka Utama.
Walpole, R. E., & Myers, R. H. (1995). Ilmu Peluang dan Statistika unuk Insyinyur dan Ilmuwan Edisi ke-4. Bandung: Penerbit ITB.
Wicaksono, W. (2014). Pemodelan Multivariate Adaptive Regression Splines (MARS) pada Faktor-Faktor Resiko Angka Kesakitan Diare. Semarang:
FSM Universitas Diponegoro.
117 LAMPIRAN
Lampiran 1. Tabel Data Penelitian
No Y X1 X2 X3
118
119
120
Lampiran 2. Tabel Data Penelitian Setelah Standarisasi
No ZY ZX1 ZX2 ZX3
121
122
123
No ZY ZX1 ZX2 ZX3
54 0,35737 0,61062 -0,44283 -0,82152
55 -0,44695 -1,05433 -0,40693 -0,68835
56 1,51536 0,45839 -0,43167 1,32215
57 -0,25872 -0,40865 -0,45302 -0,53666
58 -0,11258 0,41721 -0,38631 -0,15139
59 -0,17582 -0,12919 -0,47024 0,42081
60 -0,60463 -0,41012 -0,46321 -0,92634
61 -0,4713 -0,97417 -0,30601 -0,49668
62 -0,80062 -0,79474 -0,39189 -0,87585
Lampiran 3. Script dan Output Software R Boxplot
124
Lampiran 4. Output SPSS Hasil Uji Simultan (Serentak)
Lampiran 5. Output SPSS Hasil Uji Parsial
Lampiran 6. Script dan Output Software R Uji Normalitas
125
Lampiran 7. Script dan Output Software R Uji Heterokedastisitas
Lampiran 8. Script dan Output Software R Uji Autokorelasi
Lampiran 9. Script dan Output Software R Uji Multikolinearitas
126
Lampiran 10. Script dan Output Software R Model MARS
Lampiran 11. Script dan Output Software R Tingkat Kepentingan
127
Lampiran 12. Script dan Output Software R Uji Simultan
Lampiran 13. Script dan Output Software R Uji Parsial
128